多模態理解是大模型理解復雜現實世界的關鍵能力之一。
8月2日，中文多模態大模型SuperCLUE-V基準8月榜單發布，騰訊混元大模型憑借其在多模態理解方面的卓越表現，在眾多參評模型中脫穎而出，斬獲國內大模型排名第一，穩居卓越領導者象限。
多模態理解，俗稱“圖生文”，要求模型能準確識別圖像元素，理解它們的關系，并生成自然語言描述。這既考驗圖像識別的精確度，也體現了對場景的全面理解、對細節的深度洞察，考驗模型對復雜現實世界的理解力。
本次測評涵蓋了國內外最具代表性的12個多模態理解大模型，包含4個海外模型和8個國內代表性多模態模型，評估內容包含基礎能力和應用能力兩大方向，以開放式問題對多模態大模型進行評估。騰訊混元大模型在多模態基礎能力和應用能力方面，獲得總分 71.95 的高分，顯示出在技術和應用層的綜合優勢。
據SuperCLUE官方介紹，評估標準涵蓋了理解準確性、回應相關性和推理深度等維度，打分規則結合了自動化定量評分與專家復核，以確保評估的科學性和公正性。
評測結果顯示，國內大模型在多模態理解的基礎能力方面，已經逼近海外頂尖模型，其中騰訊混元大模型總成績僅略低于GPT-4o，表現好于CLaude3.5-Sonnet和Gemini-1.5-Pro，顯示國產模型在基礎能力上的快速迭代。而在應用能力維度上，騰訊混元大模型憑借對中文語境的深刻理解，以及在通用、常識、圖像等多領域的綜合能力，展現出實際應用的巨大潛力。
依托騰訊混元大模型的技術底座，AI 原生應用騰訊元寶在發布之初，就具備多模態理解能力，無論是文檔截圖、人像風景、收銀小票，還是任意一張隨手拍的照片，元寶都能基于圖中內容給出自己的理解和分析。
